Nonlinearly Smoothed EM Density Estimation With Automated Smoothing Parameter Selection for Nonparametric Deconvolution Problems
自动选择平滑参数的非线性平滑 EM 反卷积密度估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般反卷积密度估计及算法，未明确涉及所列分布效应或其他经济计量细分问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
自动选择平滑参数的非线性平滑 EM 反卷积密度估计
- 研究问题
- 非参数反卷积密度估计中，如何通过平滑似然与迭代算法得到估计，并利用数据选择控制平滑程度的参数？
- 方法与思路
- 作者用 EM 算法求解平滑最大似然问题，以数据驱动的偏差准则选择平滑参数，并在正态噪声下比较傅里叶核方法。
- 材料陈述的贡献
- 摘要称优化问题具有唯一连续解，数据驱动估计在温和光滑条件下强一致，模拟展示其在指定光滑性和尾部条件下的表现。
- 阅读关注点
- 应核对平滑似然与偏差准则的定义、误差分布要求、算法收敛，以及强一致性条件和摘要所述尾部条件的准确含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体光滑和尾部条件未给出，模拟表现不能外推到任意潜在密度或噪声分布。
原文摘要
We study a nonparametric deconvolution density estimation problem. The estimator is obtained by an EM algorithm for a smoothed maximum likelihood estimation problem, which has a unique continuous solution. We present an implementation of the procedure incorporating a data-driven discrepancy principle for selecting the smoothing parameter. Simulations illustrate the good properties of the resulting estimator when the unknown distribution is smooth and has regularly varying thin tails. Comparisons with a Fourier kernel deconvolution method are made for the case of normal noise. We show that under mild smoothness conditions, the estimator based on the data-driven smoothing parameter is strongly consistent.